Décomposition de Claude Skills : du prompt à la pratique, analyse d’un workflow IA par un développeur

Analyse en profondeur en rétro-ingénierie de l’architecture interne de Claude Skills (la fonctionnalité d’agent IA d’Anthropic). Les Skills adoptent une approche pragmatique qui automatise des tâches complexes tout en préservant le contrôle de l’utilisateur, en modifiant le comportement de Claude AI via une injection de prompts plutôt que par l’exécution de code.

Points principaux :

1. Concept clé : les Skills sont des templates de prompts

• Les Skills n’utilisent pas de code exécutable comme Python/JS, et injectent des consignes spécialisées par domaine (par exemple, un guide de traitement PDF) dans le contexte de la conversation.
• Contrairement aux outils standards (Read, Write, Bash, etc.), elles ne s’exécutent pas immédiatement et aident Claude à être « prêt ». Exemple : lors de l’appel de la skill PDF, un prompt détaillé de 500 à 5 000 mots est envoyé en message caché.

2. Architecture méta-outil

• Le méta-outil « Skill » gère tous les skills individuels (PDF, skill-creator, etc.) et aligne l’intention de l’utilisateur uniquement via le raisonnement du LLM, sans embedding ni classifieur.
• Lors de l’exécution, deux injections de messages sont réalisées : un statut XML concis visible dans l’UI (« Chargement de la skill PDF ») et un guide complet caché.

3. Structure et ressources de SKILL.md

• Front matter (YAML) : name, description (signal de sélection de Claude), allowed-tools (outils d’approbation automatique, considérations de sécurité), définition du modèle.
• Contenu Markdown : flux de travail, ordre d’usage des outils, consignes de format de sortie (dans la limite de 5 000 mots).
• Répertoires pris en charge : scripts (scripts d’automatisation), references (documents de référence), assets (templates/images, réduction des tokens).

4. Ajustement du contexte d’exécution et patrons

• Lorsqu’une skill est appelée, il est possible de modifier automatiquement les permissions d’outils (approbation temporaire) et de changer de modèle (implémentation de la fonction contextModifier).
• Patrons en production :
  • Automatisation de scripts : exécution de scripts de tâches multi-étapes.
  • Lire-traiter-écrire : conversion/nettoyage de données.
  • Rechercher-analyser-rapporter : analyse de base de code (avec Grep).
  • Workflow assistant : validation utilisateur étape par étape.

5. Limites et portée

• Limites : absence de concurrence, surcharge de tokens (1 500+), dépendance au prompt.
• Atouts : mise en avant de la flexibilité et de la sécurité. Le modèle collaboratif « décisions importantes pour l’humain, répétition pour l’IA » est proposé. En tant qu’orientation future des agents IA, la mise en œuvre basée sur des prompts en est la clé.

(Source originale : leehanchung.github.io, publié le 2025.10.26)